خوشه بندی (Clustering) یکی از چند قالب مهم مسائلی است که در کاربردهای مختلف یادگیری ماشین (Machine Learning) و داده کاوی (Data Mining) مطرح می شود. خوشه بندی، که با نام آنالیز و تحلیل خوشه (Cluster Analysis) نیز در حوزه آمار شناخته می شود، یکی از انواع مسائل یادگیری غیر نظارت شده است، که الگوریتم فراوانی نیز، برای حل این مساله ارائه شده اند. تعدادی از این الگوریتم ها، در آموزش های دیگر منتشر شده در فرادرس، مورد بحث و بررسی واقع شده اند. یکی از انواع پیچیده مسائل خوشه بندی، زمانی طرح می شود که تعداد خوشه ها نیز نامعلوم باشد و الگوریتم آن موظف به پیدا کردن تعداد خوشه ها باشد. این مساله، اصطلاحا با نام خوشه بندی خودکار یا Automatic Clustering شناخته می شود؛ آن چنان که خود مساله را، معمولا با نام Automatic Classification نیز می شناسیم. حل مساله در حالت کلی و مساله خوشه بندی خودکار به صورت خاص، بعضا می تواند خارج از توان الگوریتم های رایج خوشه بندی باشد. یکی از راه حل هایی که برای این موضوع در نظر گرفته شده است، تبدیل مساله خوشه بندی به یک مساله بهینه سازی و حل آن با استفاده از الگوریتم های بهینه سازی هوشمند و تکاملی است. موضوع بحث ما در این مجموعه آموزش نیز، دقیقا همین مبحث است. در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این مجموعه آموزشی، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است. فهرست شاخص های مورد استفاده و استناد در این آموزش، در ادامه آمده است: الف) شاخص مجموع فاصله از مرکز کلاستر یا Within Cluster Distance (به اختصار WCD) – این شاخص در واقع در تعریف کلی مساله k-Means و بیان معیار بهینگی آن، مورد استفاده واقع شده است. ب) شاخص DB (یا اندیس Davies and Bouldin) – در سال ۱۹۷۹ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد. پ) شاخص CS (یا اندیس Chou Su and Lai) – در سال ۲۰۰۴ معرفی شده است و برای ارزیابی اعتبار خوشه بندی خودکار مورد استفاده قرار می گیرد. در این مجموعه آموزشی، از پنج الگوریتم بهینه سازی هوشمند برای حل مساله خوشه بندی و خوشه بندی خودکار استفاده شده است، که فهرست آن ها در ادامه آمده اند: ۱- الگوریتم ژنتیک یا Genetic Algorithm (به اختصار GA) ۲- بهینه سازی ازدحام ذرات یا Particle Swarm Optimization (به اختصار PSO) ۳- تکامل تفاضلی یا Differential Evolution (به اختصار DE) ۴- کلونی زنبورهای مصنوعی یا Artificial Bee Colony (به اختصار ABC) ۵- جستجوی هارمونی یا Harmony Search (به اختصار HS) مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است. در این مجموعه آموزشی نیز، مانند سایر آموزش های فرادرس، ابتدا مبانی تئوری موضوع درس، مورد بحث و بررسی واقع می شوند و سپس پیاده سازی عملی الگوریتم ها و روش های مطرح شده، به صورت گام به گام انجام می شود.
محصولات مشابه
-
آموزش رگرسیون خطی ساده ()
تومان8,350,000 -
آموزش زبان انگلیسی – پایه نهم
تومان5,000,000





دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.